Lorsque les données contiennent des features (ou caractéristiques) catégorielles, elles peuvent parfois nécessiter une attention particulière. En effet, de nombreux algorithmes nécessitent des données numériques pour fonctionner.
Ainsi, lorsque l'on traite de tels ensembles de données, il devient crucial de traiter ces features de manière appropriée afin de garantir une analyse précise et significative.
Par exemple, une approche courante consiste à utiliser le one-hot encoding, comme illustré ci-dessous :
One-hot encoding
L’encodage des données catégorielles permet aux algorithmes de les traiter efficacement.
Mais est-ce toujours nécessaire ?
Si l'encodage des données catégorielles est souvent crucial, il est tout aussi important de savoir quand le faire.
L'illustration suivante montre quels algorithmes ont besoin d'encoder des données catégorielles et lesquels n'en ont pas besoin.
Comme mentionné ci-dessus, de nombreux algorithmes de Machine Learning fonctionnent généralement bien sans nécessiter l'encodage des données catégorielles. Parmi eux, on retrouve les arbres de décision, les forêts aléatoires, le classifieur naïf bayésien, le gradient boosting, et bien d'autres.
Prenons l'exemple d'un arbre de décision. Il peut diviser les données en fonction des valeurs exactes des features catégorielles. L'encodage des features catégorielles n'est donc pas une étape nécessaire.
Arbre de décision
Il est donc important de comprendre la nature de tes données et de l'algorithme que tu as l'intention d'utiliser.
Il se peut que tu n’aies jamais besoin d’encoder des données catégorielles si l'algorithme y est insensible.
👉 À toi de jouer : Où placerais-tu le k-Nearest Neighbors (kNN) dans cet organigramme ? Dis-le moi :)
Envie d'aller plus loin ? DataXp t'attend : formations et parcours pour progresser en data science, machine learning et IA.
